Ziele

1. Refresher zu Netzwerken
2. Überblick über relevante Packages
3. Datenvorverarbeitung
4. Einführung in graphicalVAR
5. FAQ zu graphicalVAR
6. Einführung in GIMME
7. FAQ zu GIMME
8. GIMME Beispiel
9. Ausblick

Relevante Packages

• graphicalVAR: idiographische Netzwerke
• mlVAR: Multilevel, ermöglicht Visualisierung von Heterogenität
• GIMME: idionomisch
• mgm: Mixed models & zeitlich variierend
• DSEM (MPlus): komplexe Messmodelle, sehr flexibel
• BGGM. Bayesianische Methoden
• psychonetrics: übergreifende Architektur
• dynr: Dynamische Systeme
• …

Vorbereitung

• generell: gerade bei der Datenvorbereitung gibt es teilweise etwas komplexeren Code
• kein Problem, wenn dieser nicht verstanden wird! Bei Nachfragen: E-Mail an mich
• gibt zusätzliches R-File, in dem alles enthalten ist
• R Notation: ::: fragment

data |> 
  t.test()   
# äquivalent zu
t.test(data)

dplyr::select()
packagename::funktionsname()

:::

Vergleich mit graphicalVAR

GIMME: Modellschätzung theoretisch

Takeaway-Zusammenfassung:

1. Ein “leeres” Modell für temporal und contemporaneous Zusammenhänge wird auf die Daten angepasst

2. Gruppe: Iterative Suche nach Verbindungen (anhand von Modifikationsindizes), die Modellfit für bestimmten Teil (etwa 75%) des Samples signifikant (nach Korrektur \(\alpha = 0.05/n\)) verbessern

3. Pruning von nicht länger signifikanten Pfaden

4. Subgruppe: Ähnlichkeiten zwischen Individuen werden gesucht anhand Größe der geschätzten Effekte, daraus wird eine sog. Adjacency Matrix kreiert

5. Walktrap-Algorithmus, um “communities” zu identifizieren

6. In den entstandenen Subgruppen: Suche nach verbessernden Pfaden für bestimmten Teil (etwa 51%) der Subgruppe (nach Korrektur \(\alpha = 0.05/n\))

7. Pruning von nicht länger signifikanten Pfaden

8. Individuell: Suche nach verbessernden Pfaden (\(\alpha = 0.01\)), bis “exzellenter Fit” erreicht ist (RMSEA < .05, SRMR < .05, CFI > .95, NNFI > .95).

GIMME: Modellschätzung formell

\[ \eta_{i,t} = (\color{Red}{A_i} + \color{Blue}{A^S_{i,k}} + \color{orange}{A^g_i})\eta_{i,t} + (\color{Red}{\phi_i} + \color{Blue}{\phi^s_{i,k}} + \color{orange}{\phi^g_i})\eta_{i,t-1} + \zeta_{i,t} \]

\(\eta_{i,t}\): Daten von Individuum \(i\) zum Zeitpunkt \(t\)

\(A\): Contemporaneous Effekte

\(\phi\): Temporale Effekte (VAR-1 Modell)

Orange: Gruppeneffekte

Blau: Subgruppeneffekte

Rot: Individuelle Effekte

\(\zeta_{i,t}\): Residuum von Individuum \(i\) zum Zeitpunkt \(t\)

GIMME: Simulationsergebnisse

• insgesamt eher konservativ, gerade auf individueller Ebene (Lane et al., 2019)
  • Absenz von Pfaden vorsichtig interpretieren
• Anzahl Zeitpunkte & Variablen: Hängt von gewünschter Betrachtungsebene ab
  • gerade für individuelle Effekte: \(t > 100\) empfohlen (nur ein sehr grober Richtwert)
• stärkere temporale Effekte machen Modellschätzung & Subgruppenfindung leichter
  • vorsichtig bei Vergleich mit fMRT-Studien: dort deutlich andere Datenlage
• gerichtete contemporaneous Effekte: sehr schwer bei \(t < 100\)
• vermutlich zwischen 5-10 Variablen am besten

Datenvorverarbeitung: Variabilität

Über alle Personen hinweg:

# relevante Variablen
rel_vars <- c("Dominance", "Affiliation", "PosAff",
              "NegAff", "Stress", "Functioning")

# Berechnen von Mean und SD
desc_list <- list()
for(p in 1:length(data_list)){
  desc_list[[p]] <- data_list[[p]] |> 
    dplyr::summarize(across(all_of(rel_vars),
                     list(mean = mean, sd = sd), na.rm = TRUE))
  
}
df_desc <- bind_rows(desc_list, .id = "id")

df_desc |> 
  dplyr::summarize(across(everything(),
                   ~ round(mean(.), 3))) |> 
  select(-id) |> 
  gt()

# Diesmal vorher nach Individuum gruppieren
df_desc |> 
  dplyr::group_by(id) |> 
  dplyr::summarize(across(everything(),
                   ~ round(mean(.), 3))) |>
  head(n = 6L) |> 
  gt()

Datenvorverarbeitung

Visualisierung von fehlenden Daten: etwa mit naniar-Package

visdat::vis_dat(data_list[[6]])

Datenvorverarbeitung

Wir detrenden einen linearen Effekt von Zeit:

# relevante Variablen
rel_vars <- c("Dominance", "Affiliation", "PosAff",
              "NegAff", "Stress", "Functioning")

# Loopen über alle p Participants
for(p in 1:length(data_list)){
    data_list[[p]] <- fn_detrend(data_list[[p]],
               vars = rel_vars, 
               time_var = "time", 
               sig_only = FALSE)
}

# Zeitvariable wieder löschn
for(p in 1:length(data_list)){
  data_list[[p]] <- subset(data_list[[p]], select = -c(time))
}

• Alternative: Zeit als exogene Variable aufnehmen (s. Woods et al., 2020)

GIMME: Subgruppenergebnis

• eventuell besser bei mehr Variablen (Lane et al., 2019)
• relevant: Stabilität der Subgruppen

• möglicherweise interessant: Subgruppen auf verschiedenen Maßen (Mittelwert, Variabilität, Diagnosen…) vergleichen
• Limitation: keine probabilistiche Zuordnung zu Subgruppen

GIMME: Limitationen

• gerichtete contemporaneous Effekte mit Vorsicht zu genießen
• schwer zu treffende/arbiträre Entscheidungen beim Modellieren
• Fit Indizes, Gruppencutoffs
• Annahme von gleichen Zeitintervallen
• autoregressive Effekte freisetzen vs. multiple solutions noch unklar
• ersteres könnte Homogenität künstlich erhöhen (Beltz & Gates, 2017)
• primär evaluiert für Präsenz von Edges, weniger für deren Stärke

PREMISE: Klinisches Wissen integrieren

Implementiert in praktischer Online-App

Literatur allgemein

• Burger, J., Epskamp, S., van der Veen, D. C., Dablander, F., Schoevers, R. A., Fried, E. I., & Riese, H. (2022). A clinical PREMISE for personalized models: Toward a formal integration of case formulations and statistical networks. Journal of psychopathology and clinical science, 131(8), 906–916. https://doi.org/10.1037/abn0000779
• Fisher, A. J., Reeves, J. W., Lawyer, G., Medaglia, J. D., & Rubel, J. A. (2017). Exploring the idiographic dynamics of mood and anxiety via network analysis. Journal of Abnormal Psychology, 126(8), 1044–1056. https://doi.org/10.1037/abn0000311
• Haqiqatkhah, M. M., Ryan, O., & Hamaker, E. L. (2022, November 26). Skewness and staging: Does the floor effect induce bias in multilevel AR (1) models?. https://doi.org/10.31234/osf.io/myuvr
• Lutz, W., Schwartz, B., Hofmann, S.G. et al. Using network analysis for the prediction of treatment dropout in patients with mood and anxiety disorders: A methodological proof-of-concept study. Sci Rep 8, 7819 (2018). https://doi.org/10.1038/s41598-018-25953-0

Literatur allgemein

• Park, J. J., Chow, S. M., Fisher, Z. F., & Molenaar, P. C. M. (2020). Affect and Personality: Ramifications of Modeling (Non-)Directionality in Dynamic Network Models. European journal of psychological assessment : official organ of the European Association of Psychological Assessment, 36(6), 1009–1023. https://doi.org/10.1027/1015-5759/a000612
• von Klipstein, L., Servaas, M. N., Lamers, F., Schoevers, R. A., Wardenaar, K. J., & Riese, H. (2023). Increased affective reactivity among depressed individuals can be explained by floor effects: An experience sampling study. Journal of affective disorders, 334, 370–381. https://doi.org/10.1016/j.jad.2023.04.118

Literatur graphicalVAR

• Hoekstra, R. H. A., Epskamp, S., & Borsboom, D. (2022). Heterogeneity in Individual Network Analysis: Reality or Illusion?. Multivariate behavioral research, 1–25. Advance online publication. https://doi.org/10.1080/00273171.2022.2128020
• Sacha Epskamp, Lourens J. Waldorp, René Mõttus & Denny Borsboom (2018) The Gaussian Graphical Model in Cross-Sectional and Time-Series Data, Multivariate Behavioral Research, 53:4, 453-480, DOI: 10.1080/00273171.2018.1454823
• Park, J. J., Chow, S., Epskamp, S., & Molenaar, P. (2022, October 15). Subgrouping with Chain Graphical VAR Models. https://doi.org/10.31234/osf.io/u3ve8
• Mansueto, A. C., Wiers, R. W., van Weert, J., Schouten, B. C., & Epskamp, S. (2022). Investigating the feasibility of idiographic network models. Psychological methods.

Literatur GIMME

• Adriene M. Beltz & Peter C. M. Molenaar (2016) Dealing with Multiple Solutions in Structural Vector Autoregressive Models, Multivariate Behavioral Research, 51:2-3, 357-373, DOI: 10.1080/00273171.2016.1151333
• Beltz, A. M., Wright, A. G., Sprague, B. N., & Molenaar, P. C. (2016). Bridging the nomothetic and idiographic approaches to the analysis of clinical data. Assessment, 23(4), 447-458.
• Kathleen M. Gates, Stephanie T. Lane, E. Varangis, K. Giovanello & K. Guiskewicz (2017) Unsupervised Classification During Time-Series Model Building, Multivariate Behavioral Research, 52:2, 129-148, DOI: 10.1080/00273171.2016.1256187
• Gates, K. M., Fisher, Z. F., Arizmendi, C., Henry, T. R., Duffy, K. A., & Mucha, P. J. (2019). Assessing the robustness of cluster solutions obtained from sparse count matrices. Psychological methods, 24(6), 675–689. https://doi.org/10.1037/met0000204

Literatur GIMME

• Lane, S. T., Gates, K. M., Pike, H. K., Beltz, A. M., & Wright, A. G. (2019). Uncovering general, shared, and unique temporal patterns in ambulatory assessment data. Psychological methods, 24(1), 54.
• Nestler, S., & Humberg, S. (2021). GIMME’s ability to recover group-level path coefficients and individual-level path coefficients. Methodology, 17(1), 58-91.
• Wright, A. G. C., Gates, K. M., Arizmendi, C., Lane, S. T., Woods, W. C., & Edershile, E. A. (2019). Focusing personality assessment on the person: Modeling general, shared, and person specific processes in personality and psychopathology. Psychological Assessment, 31(4), 502–515. https://doi.org/10.1037/pas0000617

Anwendungen

• Beck, E. D., & Jackson, J. J. (2020). Consistency and change in idiographic personality: A longitudinal ESM network study. Journal of personality and social psychology, 118(5), 1080–1100. https://doi.org/10.1037/pspp0000249
• Woods, W. C., Arizmendi, C., Gates, K. M., Stepp, S. D., Pilkonis, P. A., & Wright, A. G. C. (2020). Personalized models of psychopathology as contextualized dynamic processes: An example from individuals with borderline personality disorder. Journal of consulting and clinical psychology, 88(3), 240–254. https://doi.org/10.1037/ccp0000472